Solvformer
Encoder-decoder Трансформер, обученный с нуля отвечать на текстовые математические задачи: по вопросу на английском он пишет программу на Python, а ответом служит результат её исполнения. Предобученных весов нет, модель и обучение написаны на чистом PyTorch.
Код, тесты и описание всех экспериментов: https://github.com/dsnillisienko/solvformer
Файлы
| Файл | Что это |
|---|---|
avg.pt |
Итоговые веса: 9+9 слоёв, d = 512, 8 голов, 74.5M параметров, среднее 4 последних чекпойнтов |
tokenizer.json |
Byte-level BPE на 16k токенов, общий для вопросов и кода |
avg.pt это обычный словарь с конфигом архитектуры (cfg) и весами (model), он читается
через torch.load(..., weights_only=True).
Результаты
Метрика pass@1: программа выполняется, её ответ сравнивается с эталоном с допуском 1e-6.
| Генерация | Валидация, 2000 вопросов | Тест, 960 вопросов |
|---|---|---|
| жадная | 71.85% | |
| голосование по 8 программам | 74.70% | 78.02% |
| голосование по 12 программам | 75.70% | 78.44% |
Числа получены на T4 в fp16. 1919 вопросов теста с 12 кандидатами на вопрос занимают 140 секунд на одной T4.
Как запустить
git clone https://github.com/dsnillisienko/solvformer.git
cd solvformer
pip install -e .
hf download DanilLis/solvformer avg.pt tokenizer.json --local-dir weights
python -m solvformer.solve --ckpt weights/avg.pt --tokenizer weights/tokenizer.json \
"A pack has 12 pencils. Tom buys 3 packs and gives away 7 pencils. How many pencils does he have left?"
def solve() -> int:
total_pencils = 12 * 3
pencils_left = total_pencils - 7
result = pencils_left
return result
ответ: 29 (так ответили 12 из 12 кандидатов)
Сгенерированные программы выполняются в отдельном интерпретаторе с таймаутом. Песочницей это не является.
Обучение
- Данные: SlavaYus/tinysms_qa_12m, 11.8M пар «вопрос и программа» после удаления вопросов валидации и теста.
- 9 часов с нуля и 7.5 часа дообучения на двух T4 (DDP, fp16), примерно 6 эпох.
- AdamW, lr 1e-3 с нуля и 5e-4 при дообучении, cosine-расписание, эффективный батч до 512 примеров.
Ограничения
- Один узкий жанр: короткие текстовые задачи на английском с числовым ответом.
- Оставшиеся ошибки это ошибки рассуждения: программы почти всегда выполняются, но, например, в формуле площади треугольника модель систематически забывает ½.